API-Prüfpunkte vor der Anbindung von KI-Workflows
Die Anbindung von KI-Workflows an Business-APIs kann die Automatisierung beschleunigen, Verarbeitungszeiten verkürzen und die Entscheidungsfindung verbessern. Bevor jedoch ein Agent, Orchestrator oder generatives Modell in ein internes System oder einen Drittanbieterdienst integriert wird, müssen verschiedene technische, betriebliche und sicherheitsrelevante Prüfpunkte validiert werden. In der Praxis scheitert die KI-Integration nicht nur am Modell selbst, sondern häufig auch an einer schlecht verwalteten, unzureichend dokumentierten oder ungeschützten API.
Diese FAQ beschreibt die wichtigsten Prüfungen, die vor der Anbindung von KI-Workflows an APIs durchzuführen sind, mit Fokus auf Governance, Cybersicherheit und Geschäftskontinuität.
Warum stellen KI-Workflows spezifische Anforderungen an APIs?
Ein KI-Workflow nutzt eine API nicht wie eine herkömmliche Anwendung. Sie kann mehrere Aufrufe tätigen, Anfragen neu formulieren, mehrere Systeme verketten, unstrukturierte Daten verarbeiten und kontextabhängige, dynamische Entscheidungen treffen. Diese Variabilität erhöht das Risiko von Funktionsabweichungen, übermäßiger Ressourcennutzung, Offenlegung sensibler Daten und von den API-Entwicklerteams nicht vorhergesehenem Verhalten.
Vor jedem Produktiveinsatz muss die API daher nicht nur als technische Schnittstelle, sondern auch als Angriffsfläche, Compliance-Prüfpunkt und kritische Komponente der automatisierten Entscheidungskette betrachtet werden.
Was sind die wichtigsten Prüfpunkte für eine API vor der Integration?
1. Geschäftsbereich und autorisierte Anwendungsfälle klären.
Die erste Frage ist nicht technischer Natur: Was genau darf der KI-Workflow leisten? Eine API für einen internen Assistenten unterliegt anderen Anforderungen als eine API für Transaktionen, Kundendatensätze oder Finanzvorgänge.
Folgendes muss dokumentiert werden:
- die zulässigen Aktionen zum Lesen, Schreiben, Löschen oder Verwalten;
- die Grenzen der Delegierung an den KI-Workflow;
- die Schritte, die eine menschliche Validierung erfordern;
- die verbotenen Szenarien, selbst wenn die API sie technisch zulässt.
Dieses Framework verhindert, dass KI einen Grad an Autonomie erhält, der über die durch die Unternehmensführung vorgesehene hinausgeht.
2. Überprüfen Sie das Authentifizierungs- und Autorisierungsmodell.
Eine mit einem KI-Workflow verbundene API sollte niemals auf gemeinsam genutzten Anmeldeinformationen oder generischen API-Schlüsseln ohne Segmentierung basieren. Jede Komponente muss über eine eigene Identität mit minimalen Berechtigungen verfügen. Das Ziel ist zweifach: die Auswirkungen im Falle einer Kompromittierung zu begrenzen und die Nachverfolgbarkeit von Aktionen sicherzustellen.
Die zu validierenden Kontrollen umfassen:
- Unterstützung für OAuth 2.0, OIDC oder einen gleichwertigen, kontextangepassten Mechanismus;
- Präzise Bereiche pro Funktion, Umgebung und Operationstyp;
- Rotation von Geheimnissen und Token;
- Verbot überdimensionierter Dienstkonten;
- Protokollierung von Zugriffen pro Maschinenidentität.
Wenn der KI-Workflow mehrere APIs aufrufen kann, muss außerdem sichergestellt werden, dass Token nicht kontextunabhängig wiederverwendet werden und die Berechtigungen pro Dienst segmentiert bleiben.
3. Kontrolle der Offenlegung sensibler Daten
Ein KI-Modell kann mehr Daten senden als ein menschlicher Benutzer, insbesondere um Kontext für eine Aufgabe bereitzustellen. Dieses Verhalten birgt ein direktes Risiko für den Verlust personenbezogener Daten, Kundendaten, Geschäftsgeheimnisse oder geschützter Informationen.
Vor der Integration müssen die ausgetauschten Daten klassifiziert und folgende Fragen beantwortet werden:
- Welche Daten liefert die API standardmäßig zurück?
- Enthalten die Antworten Felder, die für den Workflow nicht erforderlich sind?
- Sind Feldminimierungs- oder Filtermechanismen verfügbar?
- Müssen bestimmte Daten maskiert, pseudonymisiert oder ausgeschlossen werden?
- Gelten branchenspezifische Einschränkungen, wie z. B. DSGVO, NIS2, DORA oder interne Souveränitätsanforderungen?
Es empfiehlt sich, API-Ansichten speziell für KI-Anwendungsfälle zu erstellen, die restriktiver sind als bestehende allgemeine Endpunkte.
4. Bewerten Sie die Robustheit der API-Dokumentation und des API-Vertrags.
Ein KI-Workflow lässt sich mit einer klar definierten API effektiver integrieren. Eine unvollständige oder mehrdeutige Spezifikation führt zu Fehlinterpretationen, unerwarteten Aufrufen und fehleranfälligen Workarounds im Orchestrator.
Der API-Vertrag muss hinsichtlich folgender Punkte ausreichend präzise sein:
- Anfrage- und Antwortschemata;
- Fehlercodes und ihre operative Bedeutung;
- Format-, Paginierungs- und Sortierbeschränkungen;
- Idempotenzregeln;
- Versionsbeschränkungen und Richtlinien zur Abschaffung veralteter Funktionen.
Eine aktuelle, OpenAPI-ähnliche Spezifikation erleichtert nicht nur die Entwicklung, sondern auch Sicherheitstests, Observability und Governance von KI-Konnektoren.
5. Testkapazität, Durchsatz und Kostenbeschränkungen
KI-Workflows können zu einer Häufung von Aufrufen führen, insbesondere wenn sie eine Aufgabe in Teilschritte unterteilen, mehrere Quellen abfragen oder Operationen nach einem Fehler wiederholen. Eine für die menschliche Nutzung stabile API kann unter agentenbasierter Logik instabil werden.
Folgende Aspekte müssen vorgelagert gemessen werden:
- Anrufkontingente und Mechanismen zur Ratenbegrenzung;
- Durchschnittliche und lastabhängige Antwortzeiten;
- Toleranz gegenüber Lastspitzen und Wiederholungsschleifen;
- Variable Kosten in Abhängigkeit vom Anrufvolumen;
- Abhängigkeiten von Drittanbietern, die zu Engpässen führen können.
Ohne diese Kontrolle kann die KI-Automatisierung einen kritischen Dienst beeinträchtigen, eine Partner-API überlasten oder Budgetüberschreitungen verursachen, die nur schwer rechtzeitig erkannt werden können.
6. Ausfallsicherheit und Fehlerbehandlung gewährleisten
Eine von einem KI-Workflow aufgerufene API muss vorübergehende Fehler, Teilantworten und Nichtverfügbarkeit korrekt behandeln. Das eigentliche Problem ist nicht nur, ob die API ausfällt, sondern wie der Workflow reagiert, wenn sie nicht wie erwartet reagiert.
Zu berücksichtigende Punkte:
- Explizite und konsistente Timeouts;
- Vom Orchestrator verwendbare Fehlercodes;
- Wiederholungsmechanismen mit Backoff;
- Schutz vor Duplikaten durch Idempotenzschlüssel;
- Ausweichmodi oder Fallback-Verfahren im Fehlerfall.
In sensiblen Fällen muss jede Aktion mit finanziellen, rechtlichen oder betrieblichen Auswirkungen einen manuellen Validierungs- oder Wiederherstellungsprozess beinhalten.
7. Protokollierung, Nachverfolgbarkeit und Auditierung überprüfen
Wenn ein KI-Workflow eine API verwendet, muss der Ablauf präzise rekonstruierbar sein: Wer hat was in welchem Kontext aufgerufen, welche Daten wurden zurückgegeben, welche Entscheidung wurde getroffen und welches System hat die letzte Aktion ausgeführt?
Für eine sinnvolle Nachverfolgbarkeit sind folgende Anforderungen erforderlich:
- Protokolle mit Zeitstempel für jeden API-Aufruf;
- Korrelationen zwischen Benutzeranfragen, KI-Entscheidungen und Systemaktionen;
- Speicherung technischer Metadaten für die Untersuchung;
- Warnmeldungen bei ungewöhnlichem Verhalten, ungewöhnlichen Datenmengen oder Zugriffen außerhalb des zulässigen Bereichs;
- Trennung von Anwendungs-, Sicherheits- und Compliance-Protokollen.
Diese Anforderung ist unerlässlich für Audits, das Incident-Management und die nachträgliche Analyse fehlerhafter automatisierter Aktionen.
8. Überprüfen Sie den Sicherheitsstatus der API.
Vor der Anbindung eines KI-Workflows muss die API selbst über ein kontrolliertes Sicherheitsniveau verfügen. Eine KI-Integration sollte nicht zu unzureichend geschützten Endpunkten führen.
Zu den Prioritätsprüfungen gehören:
- Korrekt konfigurierte TLS-Verschlüsselung;
- Schutz vor Injection, unberechtigtem Zugriff und Validierung fehlerhafter Eingaben;
- Autorisierungskontrollen auf Objektebene, nicht nur auf Sitzungsebene;
- Absicherung administrativer Endpunkte;
- Regelmäßige Tests anhand relevanter Frameworks, einschließlich OWASP API Security Top 10.
Für Organisationen mit erhöhten Sicherheitsanforderungen ist es sinnvoll, Architekturprüfungen, gezielte Penetrationstests und Erkennungsregeln speziell für KI-Anwendungsfälle durchzuführen.
9. Ein Framework für Versions- und Änderungsmanagement etablieren
KI-Workflows reagieren empfindlich auf Änderungen in API-Struktur, -Semantik oder -Verhalten. Eine einfache Feldänderung, ein anderer Fehlercode oder eine stille Endpunktaktualisierung können zu beeinträchtigten Antworten, Fehlentscheidungen oder Verarbeitungsschleifen führen.
Vor der Verbindung muss Folgendes überprüft werden:
- die API-Versionsstrategie;
- die Ankündigungsfristen vor Änderungen;
- das Vorhandensein stabiler Testumgebungen;
- Mechanismen zur Kompatibilitätsvalidierung;
- die Verantwortlichkeiten der einzelnen Teams im Falle eines Vertragsbruchs.
Ein formalisiertes Änderungsmanagement reduziert das operationelle Risiko in komplexen KI-Pipelines erheblich.
Sind spezifische Sicherheitsvorkehrungen für agentenbasierte KI-Workflows erforderlich?
Ja. Wenn der KI-Workflow eigene API-Aufrufe auswählen, Tools verketten oder Ausführungsentscheidungen treffen kann, müssen die Kontrollen verstärkt werden. Ein Agent kann unvorhergesehene Funktionspfade erkunden, mehrere Aktionen ausführen oder eine Geschäftsanweisung zu frei interpretieren.
Empfohlene Sicherheitsvorkehrungen sind:
- Eine strikte Zulassungsliste autorisierter Endpunkte und Methoden;
- Systematische Validierung von Eingabeparametern;
- Obergrenzen für Volumen, Häufigkeit und Kosten pro Sitzung;
- Menschliche Genehmigung vor jeder irreversiblen Aktion;
- Strenge Trennung zwischen Analyse- und Ausführungsaktionen.
Je autonomer der Workflow wird, desto detaillierter und durchsetzbarer muss die API-Kontrolle sein.
Wie priorisiert man Kontrollen vor einem Pilotprojekt?
In einem Pilotprojekt können nicht immer alle Themen gleich ausführlich behandelt werden. Einige Kontrollen sollten jedoch unbedingt umgesetzt werden:
- Starke Authentifizierung und minimale Berechtigungen;
- Mapping der offengelegten Daten;
- Ratenbegrenzung und Verbrauchsschwellenwerte;
- Durchgängige korrelierte Protokollierung;
- Validierung kritischer Aktionen durch einen Experten.
Weitere Kontrollen können anhand dreier Kriterien priorisiert werden: der geschäftlichen Kritikalität der API, der Sensibilität der verarbeiteten Daten und dem Grad der Autonomie des KI-Workflows.
Welches Hauptrisiko gilt es zu vermeiden?
Das größte Risiko besteht darin, die KI-Integration als reine Verbindungsfrage zu betrachten. Tatsächlich bedeutet die Anbindung einer KI an eine API, einen Teil des Zugriffs, der Interpretation und mitunter sogar die Ausführung von Aktionen an ein probabilistisches System zu delegieren. Ohne klare Kontrollpunkte erhöht das Unternehmen gleichzeitig sein Cybersicherheitsrisiko, sein Compliance-Risiko und sein operationelles Risiko.
Die erfolgreichsten Projekte sind nicht diejenigen mit der schnellsten Verbindung, sondern diejenigen, die Berechtigungen, Daten, Ausnahmen und Nachverfolgbarkeit optimal definieren. Bevor ein KI-Workflow industrialisiert werden soll, muss die API daher als kritische Ressource behandelt werden, die verwaltet, überwacht und kontinuierlich getestet werden muss.
Zusammenfassung
Vor der Anbindung von KI-Workflows sind wichtige API-Prüfpunkte zu berücksichtigen: Geschäftsumfang, Authentifizierung, Datenverfügbarkeit, technischer Vertrag, Kapazität, Ausfallsicherheit, Nachverfolgbarkeit, Sicherheit und Änderungsmanagement. Diese Prüfungen bremsen nicht die Innovation, sondern verhindern, dass die Automatisierung neue Schwachstellen schafft. Angesichts der rasant wachsenden Anwendungsfälle von KI wird die API-Reife zu einer direkten Voraussetzung für Vertrauen, Compliance und Leistung.
SSRF bei URL-Importen verhindern
URL-Importe können unbeabsichtigt interne Ressourcen erreichbar machen.
- Legen Sie benötigte Ursprünge, Ports und Protokolle des Imports fest. Parsen Sie die URL mit einer Bibliothek; ein passender Text im Namen beweist kein erlaubtes Ziel.
- Prüfen Sie aufgelöste Adressen und jeden Weiterleitungsschritt. Ein öffentliches Ziel mit privatem Endziel muss vor der Verbindung abgelehnt werden; begrenzen Sie Dauer und Antwortgröße.
- Nutzen Sie einen Testserver für Weiterleitungen, langsame Antworten und zu große Dateien. Prüfen Sie ausbleibende Verbindungen zu gesperrten Zielen ohne echte Metadaten- oder Privatdienste aufzurufen.
Nachvollziehbarer Abnahmefall
Fiktives Beispiel: Diese Daten beschreiben keine Kunden oder beobachteten Ergebnisse.
Falldaten anzeigen
{
"initial_host": "public.example",
"redirect_host": "internal.example",
"resolved_ip": "127.0.0.1",
"network": "isolated-test"
}Erwartete Entscheidung
Die Umleitung führt zu Loopback. Diesen Weg in der isolierten Testumgebung sperren. Die Prüfung des ersten Hostnamens erfasst nicht das Weiterleitungsziel. In der isolierten Umgebung automatisches Folgen deaktiviert lassen und prüfen, dass keine Verbindung Loopback erreicht. Ein nachvollziehbarer Abbruch genügt; interne Inhalte nicht zum Nachweis des Blocks abrufen.
Prüfverfahren
- Erlaubte Importziele und Netze auflisten.
- Loopback-Umleitung isoliert testen.
- Aufgelöstes Ziel und Sperrnachweis aufbewahren.
Genügt die Prüfung der ersten URL?
Nein. Auflösung und Weiterleitung können das Ziel ändern; prüfen Sie die ganze Kette und ausgehende Netzwerkbeschränkungen.
Primärquelle: OWASP — Server Side Request Forgery Prevention. Verwandte Methode: den praktischen Leitfaden lesen.
Datenschutz im gemeinsamen Cache
Ein gemeinsamer Cache muss öffentliche und persönliche Antworten trennen.
- URL, öffentliche oder persönliche Klasse und Komponente
- Identität, Sprache, Rechte und tatsächlicher Schlüssel
- Markierungen, Header und Ergebnis bei kaltem/warmem Cache
- Zuständigkeit, Invalidierung und geprüfte Version
Primärquelle: IETF — RFC 9111: HTTP Caching. Verwandte Methode: den praktischen Leitfaden lesen.
Passkeys: Domain- und RP-ID-Wechsel vorbereiten
Konto, Web-Origin und RP ID unterscheiden, damit Zugangsdaten nicht stillschweigend neu zugeordnet werden.
- Notiere alte und neue Origins, RP IDs und zugehörige Konten. Ein gleicher Kontoname macht einen Passkey nicht für eine andere RP ID gültig. Prüfe erlaubte WebAuthn-Kombinationen und verfügbare Zugangswege während des Wechsels.
- Prüfe in einer autorisierten Testumgebung Challenge, Origin, RP ID und Kontobindung mit einer geeigneten Bibliothek. Teste unerwartete Origins und wiederholte Challenges. Bei neuer RP ID ist eine authentifizierte Neuregistrierung nötig; eine kopierte Datenbankzeile migriert keinen Schlüssel.
- Teste Nutzer mit nur altem Credential, Wiederherstellung und offene Sitzungen. Lege Öffnung und Stilllegung der Wege mit geprüftem Rückweg fest. Eine erfolgreiche Registrierung auf der neuen Domain beweist nicht den Widerruf aller alten Sitzungen.
Nachvollziehbarer Abnahmefall
Fiktives Beispiel: Diese Daten beschreiben keine Kunden oder beobachteten Ergebnisse.
Falldaten anzeigen
{
"old_origin": "https://login.old.example",
"old_rp_id": "old.example",
"new_origin": "https://login.new.example",
"new_rp_id": "new.example",
"same_service_account": true,
"expected": "authenticated_new_registration"
}Erwartete Entscheidung
Fiktives Beispiel: Das Konto bleibt gleich, aber old.example wird new.example mit anderer RP ID. Das alte Credential darf nicht still neu zugeordnet werden; die neue Registrierung folgt dem vorgesehenen authentifizierten Ablauf.
Primärquelle: W3C — Web Authentication Level 2. Verwandte Methode: den praktischen Leitfaden lesen.
Softwareupdates: einen Signiererwechsel prüfen
Prüfen, ob ein signiertes Artefakt weiterhin zum freigegebenen Hersteller, Build und Release gehört.
- Erfasse vor der Paketprüfung zugelassenen Hersteller, Schlüssel oder Zertifikatsidentität, Aussteller und Buildprozess. Binde Erwartungen an die Software und einen bereits vertrauenswürdigen Bestätigungskanal. Das Artefakt darf nicht allein seine eigene Annahmerichtlinie bestimmen.
- Vergleiche den Digest der erhaltenen Datei mit dem Gegenstand der Attestierung. Prüfe die Signatur gegen vorgesehene Vertrauensanker, danach Identität, Builder und Parameter. Eine gültige Signatur einer anderen Identität erfüllt die Dienstrichtlinie nicht.
- Teste angekündigte Rotation, unerwarteten Aussteller, fehlende Signatur und abweichende Datei. Halte das Artefakt zurück, wenn die neue Identität unbestätigt ist. Dokumentiere Freigabe und Rückweg; eine Signatur beweist keine Schwachstellenfreiheit.
Nachvollziehbarer Abnahmefall
Fiktives Beispiel: Diese Daten beschreiben keine Kunden oder beobachteten Ergebnisse.
Falldaten anzeigen
{
"signature_valid": true,
"digest_matches": true,
"expected_signer": "approved-publisher",
"observed_signer": "different-publisher",
"expected": "hold_for_independent_confirmation"
}Erwartete Entscheidung
Fiktives Beispiel: Digest und Signatur stimmen, doch der Signierer entspricht nicht der freigegebenen Identität. Installation bleibt bis zur unabhängigen Bestätigung der Änderung ausgesetzt.
Primärquelle: SLSA v1.2 — Verifying artifacts. Verwandte Methode: den praktischen Leitfaden lesen.
postMessage: Ursprung, Fenster und Befehl prüfen
Einen Nachrichtenvertrag für iframe oder Popup festlegen, der unerwartete Absender und Daten abweist.
- Erfasse exakte Ursprünge, erwartete Fensterreferenz und Nachrichtentypen. Nutze ein genaues targetOrigin für sensible Daten. Ein Ursprung umfasst Schema, Host und Port; eine Teilzeichenfolgensuche im Domainnamen validiert keinen Teilnehmer.
- Vergleiche event.origin und für diese Fensterintegration event.source mit der erwarteten Referenz. Prüfe Schema, zulässige Werte und Vorgangszustand. Behandle Inhalt als Daten, ohne eval oder HTML-Einfügung. Ein erlaubter Ursprung ersetzt keine serverseitige Berechtigungsprüfung.
- Teste ähnliche Domains, andere Ports, ein anderes Fenster desselben Ursprungs, ungültige Felder und Nachrichten nach Abschluss. Entferne unbenötigte Listener und entwerte abgeschlossene Austausche. Antworten verwenden einen zuvor erlaubten Ursprung, auch nach Fensternavigation.
Nachvollziehbarer Abnahmefall
Fiktives Beispiel: Diese Daten beschreiben keine Kunden oder beobachteten Ergebnisse.
Falldaten anzeigen
{
"allowed_origin": "https://widget.example",
"observed_origin": "https://widget.example",
"expected_window": "active_iframe",
"observed_window": "another_window",
"payload_schema_valid": true,
"expected": "reject_without_effect"
}Erwartete Entscheidung
Fiktives Beispiel: https://widget.example ist erlaubt, aber event.source verweist auf ein anderes Fenster. Der Vertrag verlangt das aktive iframe-Fenster: Nachricht ohne Befehl ablehnen.
Primärquelle: MDN — Window.postMessage. Verwandte Methode: den praktischen Leitfaden lesen.
ZIP und TAR: Dateien innerhalb von Pfad- und Ressourcenlimits entpacken
Pfade, Links und entpackte Daten vor der Freigabe der Dateien prüfen.
- Entpacke in ein neues nicht öffentliches Verzeichnis mit minimalen Rechten. Lehne absolute Pfade, Verzeichnisaufstieg, unnötige Links und Spezialdateien ab. Prüfe aufgelöste Ziele und Kollisionen nach Regeln des Zielsystems einschließlich Großschreibung. Ein Textpräfix beweist keine Begrenzung.
- Setze Einzel- und Gesamtlimits für geschriebene Bytes, Einträge, Tiefe, Zeit und Prozessressourcen. Komprimierte oder deklarierte Größe genügt nicht. Verbiete unnötige verschachtelte Archive; sonst teile ein Gesamtbudget über alle Ebenen. Halte Bibliothek und Filter aktuell.
- Teste ../, absolute Pfade, Links, Duplikate und Budgetüberschreitung. Ein Abbruch lässt den Stapel unveröffentlicht und ersetzt keine vorhandenen Dateien. Prüfe Typen und Inhalte vor Freigabe; kontrolliere das Ziel beim Aufräumen.
Nachvollziehbarer Abnahmefall
Fiktives Beispiel: Diese Daten beschreiben keine Kunden oder beobachteten Ergebnisse.
Falldaten anzeigen
{
"compressed_mb": 2,
"expanded_mb": 600,
"aggregate_budget_mb": 100,
"first_files_valid": true,
"expected": "stop_on_actual_overrun_and_do_not_promote"
}Erwartete Entscheidung
Fiktives Beispiel: 2 MB komprimiert ergeben 600 MB bei einem Budget von 100 MB. Bei Überschreitung tatsächlich geschriebener Bytes stoppen und nichts veröffentlichen, auch wenn erste Dateien gültig wirken.
Python — tarfile extraction filters and further verification
Primärquelle: Python — tarfile extraction filters and further verification. Verwandte Methode: den praktischen Leitfaden lesen.
KI-Agenten: Delegation, Widerruf und Nachweise prüfen
Dokumentarisches Update vom 12. Oktober 2026: OWASP GenAI kündigte im September LLM Top 10 2026 und Agent Control Standard an. Ein Beitrag vom 8. Oktober sammelt Veröffentlichungen des dritten Quartals und bezeichnet sich als nicht vollständig und nicht offiziell. Er hilft bei Prüfszenarien, validiert aber keinen Agenten und liefert keine Angriffshäufigkeit.
- Verbinde Arbeiter mit Identität und prüfbarem Umfang: Werkzeug, Ressource, Vorgang und Budget. Unteraufgaben erben nicht automatisch alle Elternrechte. Prüfe Parameter unmittelbar vor externer Wirkung und lehne ungültige Freigaben oder Richtlinienversionen ab.
- Teste Widerruf bei wartenden oder laufenden Aktionen. Trenne neue Vorgänge, entzogene Rechte und bereits erzeugte Wirkungen. Bewahre Vorgangs-ID, Entscheidung, Richtlinienversion und externe Bestätigung ohne Geheimnisse oder sensible Prompts. Bei fehlenden Pflichtnachweisen betroffene Aktionen aussetzen.
Decken Elternrechte alle Unteraufgaben ab?
Nein. Definiere Rechte je Akteur und prüfe Delegation am ausführenden Dienst. Agentenanweisungen erteilen keine Berechtigung.
Misst der Vorfallbeitrag mein Risiko?
Nein. Er liefert keine Angriffsrate. Wähle Szenarien und sammle Nachweise deiner Konfiguration.
Primärquelle: OWASP GenAI — Q3 2026 roundup, 8 October; non-exhaustive post. Verwandte Methode: den praktischen Leitfaden lesen.
APIs: vervielfachte Wiederholungen zwischen Schichten vermeiden
Anwendung, SDK, Proxy und Dienst können denselben Aufruf wiederholen. Vier fiktive Schichten mit je drei Gesamtversuchen erzeugen bis zu 81 Aufrufe an der fehlerhaften Abhängigkeit. Ergänze Quoten um gemeinsames Budget und nutzbare Frist.
- Erfasse automatische Versuche in Anwendung, SDK, Proxy und Abhängigkeiten. Bestimme eine verantwortliche Schicht und deaktiviere oder koordiniere zusätzliche Wiederholungen nach Vertrag. Zähle den ersten Versuch ins Gesamtbudget. Bewahre Vorgangs-ID und prüfe ungewisse Wirkungen vor nicht idempotenter Wiederholung.
- Definiere Ende-zu-Ende-Frist für Warten, Verbindung und Verarbeitung unter tatsächlichen Clientgrenzen. Lehne abgelaufene Aufgaben vor Warteschlangenaufnahme ab. Lokaler Abbruch beweist keinen Serverstopp: gleiche Zustand ab. Teste schrittweise Rückkehr ohne gleichzeitigen Neustart aller Warteschlangen.
Sind drei Versuche je Schicht insgesamt drei?
Nein. Vier fiktive Schichten mit je drei Gesamtversuchen liefern bis zu 3⁴ = 81 letzte Aufrufe.
Stoppt Aufgabenablauf die Fernwirkung?
Nicht zwingend. Verhindere neue überholte Arbeit; laufende Fernoperationen brauchen Zustandsprüfung und mögliche Kompensation.
Primärquelle: AWS — Timeouts, retries, and backoff with jitter. Verwandte Methode: den praktischen Leitfaden lesen.
Referenzen: Daten, Nutzung und Grenzen
Dokumentation geprüft am .
Ausführliche Hinweise stehen in dieser Ausgabe auf Englisch zur Verfügung.
| Quelle und Zweck | Geprüfte Daten oder Richtwerte | Praktische Nutzung | Zu beachtende Grenze |
|---|---|---|---|
| OASIS · TAXII 2.1 Exchange threat intelligence through an application protocol. |
TAXII 2.1 is an OASIS Standard dated 10 June 2021. It includes service discovery and access to collections. | Test authentication, collection permissions, pagination and recovery after interruption. Record which objects were actually received and processed. | TAXII transports data; it replaces neither the content model nor assessment of reliability. |
| OWASP · LLM Top 10 Prepare tests for language-model application risks. |
The 2025 edition includes Prompt Injection, Sensitive Information Disclosure and Excessive Agency. | Turn a risk into an observable scenario: hostile document, restricted data or out-of-scope tool. Record expected behaviour and evidence of refusal. | A risk list is not a complete assessment. Input filtering alone does not establish authorisation for every action. |
